非线性分类的分割超平面快速集成方法

摘要

直接营销策略的分割超平面（Separating HyperPlane,SHP）方法所构建的线性超平面（Linear HyperPlane,LHP）函数集的Vapnik-Chervonenkis（VC）维不超过9,并且能够快速分类和保护数据隐私,但其训练速度慢,对样本分布敏感以及不能解决非线性等问题。为此,该文提出一种适合大样本问题的非线性分类方法,称为分割超平面的快速集成方法（Fast Ensemble of Separating HyperPlane,FE-SHP）。此方法先将训练样本划分为多个集合并分别构造它们的次优线性超平面,然后利用径向基函数（Radical Basis Function,RBF）改善次优线性超平面的非线性能力,同时引进优化权提升次优线性超平面的非线性集成效果,并将集成输出转化为概率输出,进而通过梯度下降法最大化训练样本的交叉熵对数似然函数求解相关参数。UCI数据集的实验结果表明,FE-SHP在处理大样本方面具有较好的优势。